ارزیابی سیستم های هوشمند عصبی در کاهش پارامترهای تخمین تبخیر تعرق گیاه مرجع

مطالعه حاضر به منظور استفاده از حداقل پارامترهای هواشناسی در پیش بینی تبخیر تعرق گیاه مرجع در منطقه همدان برای سال های 1376 و 1377 صورت گرفته است. بدین منظور، با استفاده از آزمون پیرسون، شش پارامتر هواشناسی مورد نیاز در روش پنمن مانتیث فائو-56 که شامل دماهای حداکثر و حداقل، مقادیر رطوبت نسبی حداقل و حداکثر، سرعت باد در ارتفاع دو متری و ساعت آفتابی روزانه می شوند، به صورت چهار سناریوی اطلاعاتی با یکدیگر ترکیب و به کاربرده شدند (که تحت عنوان شماره 1، 2، 3 و 4 نام گذاری شدند). با اعمال این سناریوها بر مدل های هوشمند شبکه عصبی مصنوعی (ANN) و سیستم استنتاج تطبیقی عصبی- فازی (ANFIS) در محیط نرم افزاری MATLAB، تبخیر تعرق گیاه مرجع منطقه تخمین گردید. به منظور ارزیابی نتایج هر یک از سناریوهای مورد استفاده، از مقادیر واقعی تبخیر تعرق مرجع (لایسیمتری) استفاده شد. نتایج نشان داد که افزایش تعداد اطلاعات در لایه ورودی لزوما منجر به بهبود نتایج مدل های هوشمند نمی شود. سناریوی اطلاعاتی شماره 2 که شامل سه پارامتر دمای حداقل و حداکثر هوا و ساعت آفتابی روزانه بود، در هر دو مدل ANN و ANFIS برآوردهای معقول و یکسانی در بر داشت. در این سناریو مقادیر حداقل معیار مجذور میانگین مربعات خطا (RMSE)، میانگین مطلق خطا (MAE) و حداکثر ضریب تعیین (R2) در مرحله آزمایش به ترتیب معادل 09/0 و 07/0 میلی متر بر روز و 90/0 بودند. در مجموع بین نتایج شبکه عصبی مصنوعی و سیستم استنتاج تطبیقی عصبی- فازی از نظر آماره های خطاسنجی اختلاف قابل ملاحظه ای مشاهده نشد. ضمن آن که این دو نسبت به نیاز اطلاعاتی در لایه ورودی خود دارای حساسیت یکسان بودند. مدل شبکه عصبی پس از 26 تکرار محاسباتی در مقایسه با سیستم استنتاج تطبیقی عصبی- فازی که با 40 تکرار محاسباتی بود، سریع تر به جواب مناسب دست یافت. همچنین برآوردهای شبکه های عصبی با روش استاندارد پنمن مانتیث نیز مقایسه گردید، که نشان دهنده دقت و توانمندی قابل ملاحظه مدل های هوشمند (RMSE معادل 09/0 میلی متر بر روز) نسبت به روش استاندارد (RMSE معادل 34/0 میلی متر بر روز)، برای تخمین تبخیر تعرق گیاه مرجع می باشد.